Model benchmarks
Model Kıyaslamaları
| Modeller | ||||||
|---|---|---|---|---|---|---|
| GPT-4o | 51.4% | 66.1% | 31% | 60.3% | 72.09% | 27% |
| Claude 3.5 Sonnet | 18% | 65% | 49% | 76% | 65.46% | 55.6% |
| Claude 3.7 Sonnet | 23.3% | 68% | 62.3% | 82.2% | 68.3 | 60.4% |
| GPT-4.5 | 36.7% | 74.1% | 39% | n/a | 69.94% | 44.6% |
| DeepSeek V3 G324 | 58.4% | 64.9% | 38.6% | 81% | 68.05% | 58.1% |
| Claude 3.7 Sonnet [P] | 61.3% | 78.2% | 73.3% | 86.5% | 83.3% | 64.9% |
| OpenAI o1-mini | 63.6% | 60% | n/a | 90% | 62.2% | 52.8% |
| OpenAI o1 | 79.2% | 79.7% | 46.6% | 95.4% | 67.8% | 67% |
| OpenAI o1-mini-2 | 87.3% | 79.7% | 61% | 97.6% | 65.12% | 60.4% |
| Gemini 2.0 Pro | 52% | 84% | 63.6% | n/a | n/a | 72.5% |
| Gemini 3 (Beta) | 93.3% | 84.8% | n/a | n/a | n/a | n/a |
| Llama 4 Behemoth | n/a | 73.7% | n/a | 95% | n/a | n/a |
| Llama 4 Scout | n/a | 87.2% | n/a | n/a | n/a | n/a |
| Llama 4 Maverick | n/a | 88.8% | n/a | n/a | n/a | 58.6% |
| Gemini 3 Pro | n/a | 42.4% | 52.2% | 69% | n/a | 4.8% |
| Qwen 2.5-VL-32B | n/a | 46% | 18.8% | 82.2% | n/a | 69.84% |
| Gemini 2.0 Flash | n/a | 62.1% | 51.8% | 83.7% | 60.42 | 22.2% |
| Llama 3.1 70b | n/a | 50.5% | n/a | 77% | 77.5 | 61.45% |
| Nous Pro | n/a | 46.8% | n/a | 76.6% | 68.4% | 61.38% |
| Claude 3.5 Haiku | n/a | 49.8% | 40.5% | 68.4% | 64.31% | 28% |
| Llama 3.1 405b | n/a | 49% | n/a | 73.8% | 81.1% | n/a |
| GPT-4o-mini | n/a | 40.2% | n/a | 70.2% | 64.1 | 3.6% |
Model Detayları
GPT-4o (OpenAI)
Akademik değerlendirmelerde ve matematiksel akıl yürütmede üstün başarı gösteren çok modlu model. Mantıksal akıl yürütmede güçlü performans (BFCL %72.09) gösterirken otomotiv alanı görevlerinde nispeten daha zayıf.
Claude 3.5 Sonnet (Anthropic)
Güçlü kodlama yetenekleri (SWE Bench %49) ve matematiksel yetkinlik (MATH 500 %76) ile dengeli bir model. Önceki sürümlere kıyasla geliştirilmiş otomotiv alanı anlayışı.
Claude 3.7 Sonnet [P] (Anthropic)
Tüm kıyaslamalarda, özellikle yazılım mühendisliğinde (SWE Bench %73.3) ve temel mantıkta (BFCL %83.3) çarpıcı iyileştirmeler gösteren geliştirilmiş sürüm. Potansiyel özel varyant.
DeepSeek V3 G324
En yüksek MMAE 2024 performansı (%58.4) ve mükemmel matematiksel yetenekler (MATH 500 %81) ile güçlü bir çok yönlü model. Tüm alanlarda tutarlı performans sergiliyor.
OpenAI o1 Serisi
Matematikte çığır açan performans gösteren yeni nesil modeller (o1-mini-2: MATH 500 %97.6). o1-mini-2 varyantı, güçlü kodlama yeteneklerini korurken akademik değerlendirmelerde (MMAE %87.3) öncülük ediyor.
Gemini 3 Serisi (Google)
Beta sürümü rekor MMAE 2024 performansı (%93.3) gösteriyor ancak kıyaslama tamamlanmamış. Pro varyantı karışık sonuçlarla farklı görevler için özelleştirilmiş görünüyor.
Llama 4 Serisi (Meta)
Maverick sürümünün GPQA’da (%88.8) öncülük ettiği özelleştirilmiş varyantlar. Behemoth modeli güçlü matematiksel akıl yürütme (MATH 500 %95) gösterirken, Scout varyantı akademik sorgulamada öne çıkıyor.
Qwen 2.5-VL-32B
Bilgisayar görüşü odaklı model, otomotiv alanında şaşırtıcı performans gösteriyor (Aide Peugeot %69.84). Daha zayıf programlama puanlarına rağmen iyi matematiksel yetenekler sergiliyor.
Nous Pro
Kıyaslama testlerinde tutarlı orta seviye performans gösteren genel amaçlı model. Benzer boyuttaki modellere kıyasla özellikle otomotiv uygulamalarında (%61.38) güçlü yönler gösteriyor.
Llama 3.1 Series
Güçlü temel mantık yetenekleri gösteren büyük ölçekli modeller (405b: BFCL %81.1). 70b varyantı birden fazla alanda dengeli performans sürdürüyor.